Aprendizaje adaptativo y personalización: del dato a la decisión didáctica (C.EaD-78)

AUDIO  –  VÍDEO

Todas las entradas de la serie “80 años. Compendio EaD”, VER AQUÍ

En educación a distancia (EaD) se confunden a menudo personalización y aprendizaje adaptativo. Personalizar en educación supondría abrir opciones para que el estudiante, mediante el  acompañamiento y guía docente, module rutas, ritmos, recursos y, en ocasiones, formatos de mostrar evidencias. Adaptar, en cambio, implica un ajuste dinámico de la experiencia a partir de evidencias de progreso, errores típicos, niveles de dominio o señales de participación (García Aretio, 2017); ese ajuste puede ser automatizado o semiautomatizado, pero siempre debería ser explicable y estar alineado con los objetivos y competencias de la asignatura o curso. Esta distinción, que parece terminológica, tiene consecuencias prácticas, tales como las de clarificar qué decisiones puede proponer el sistema, cuáles exigen juicio docente y cómo se comunican a los estudiantes las reglas del juego. (Brusilovsky, 2001; VanLehn, 2011).

Como vimos en la entrada anterior sobre Analítica del Aprendizaje, decidir bien qué medir y cómo interpretar las señales es condición para una adaptación con sentido pedagógico. Como en buena parte del Compendio, situamos esta entrada en el marco del Diálogo Didáctico Mediado (DDM), de García Aretio (2001, 2025), que concibe la EaD como un equilibrio, con intencionalidad pedagógica, entre diálogo, mediación, estructura y autonomía. El aprendizaje adaptativo aporta en ese equilibrio una capacidad de ajuste fino,  es decir, de refuerzo donde hace falta y reto donde procede, sin diluir el papel del profesorado ni la coherencia del diseño. En términos de equidad, el Diseño Universal para el Aprendizaje (DUA/UDL) recuerda que variar rutas y medios no debería suponer bajar expectativas, sino ofrecer vías diversas para alcanzar los mismos resultados. Las directrices de la UNESCO sobre IAG (2023, actualizadas en 2025) instan, además, a la explicabilidad, la protección de datos, la formación docente y criterios de uso responsable según edad y contextos.

La evidencia reciente indica que los tutores inteligentes y los enfoques e interacciones humano-IA pueden mejorar el aprendizaje cuando la evaluación está alineada con las restantes variables curriculares y el andamiaje ajusta ayudas y retos paso a paso, en el momento en que el estudiante los necesita.

MARCO CONCEPTUAL

En clave DDM, adaptar no es poner un algoritmo, sino respaldar decisiones didácticas explicables. Se decide qué se ajusta (secuencia, dificultad, tipo de ayuda o retroalimentación), por qué y cuándo entra el juicio docente para confirmar o matizar la recomendación automática (Brusilovsky, 2001; VanLehn, 2011).

Como brújula de equidad, el Diseño Universal de Aprendizaje (DUA) orienta a ofrecer vías alternativas de acceso y demostración de logro, de modo que la adaptación no etiquete ni sitúe al alumnado en trayectorias limitantes, sino que mantenga las mismas metas y expectativas, con múltiples formas de representación, acción/expresión e implicación. (Rose y Meyer, 2002)

Dos hilos que confluyen

La evolución histórica del aprendizaje adaptativo puede leerse como la confluencia de dos corrientes.

  • La primera corriente es el aprendizaje para el dominio  (mastery learning), que organiza ciclos de instrucción, evaluación formativa, actividades de refuerzo centradas en las dificultades detectadas y un nuevo intento, con la regla de no avanzar sin dominar lo esencial (Bloom, 1968). Es decir, se trata de dividir los contenidos en unidades, y para avanzar a la siguiente, el estudiante debe demostrar un dominio del material anterior mediante evaluaciones. Si no se alcanza el objetivo, se ofrecen recursos adicionales, instrucción correctiva y más oportunidades de evaluación hasta que el estudiante logre el nivel deseado. Bien implementado, el modelo exige criterios claros, oportunidades múltiples de práctica y feedback de calidad para sostener el avance.
  • La segunda corriente es la de los sistemas adaptativos, la hipermedia adaptativa ajusta enlaces y ejemplos al conocimiento e intereses del estudiante (Brusilovsky, 2001); la tutoría inteligente observa el desempeño paso a paso para estimar dominio y graduar pistas y práctica (Corbett y Anderson, 1994; VanLehn, 2006).

Hoy ambas corrientes convergen en modelos del estudiante que son representaciones dinámicas y actualizables de lo que cada alumno sabe, comprende y hace, que incorporan probabilidades de dominio, patrones de error, ritmo de progreso y necesidades de accesibilidad. Esos modelos, alimentados por evidencias (respuestas, intentos, rúbricas, participación con sentido), permiten decidir:

  • qué actividad ofrecer después,
  • con qué nivel de dificultad,
  • qué tipo de ayuda, y
  • cuándo dar la retroalimentación,
  • dejando siempre al profesorado la validación y el ajuste.

En suma, los modelos del estudiante hacen explícitas las hipótesis que guían las decisiones adaptativas y deben ser explicables y auditables, especialmente cuando se combinan con IAG y enfoques humano-IA.

Qué conviene adaptar (y a qué nivel)

La cuestión no es qué permite la plataforma, sino qué tiene sentido pedagógico. La literatura distingue:

  • la adaptación de rutas o secuencias, decidir sobre qué se abre o se pospone, y
  • la adaptación paso a paso mediante pistas y retroalimentación.

Para calibrar la dificultad y decidir qué proponer a cada estudiante, resultan especialmente útiles los tests adaptativos basados en la Teoría de Respuesta al Ítem (TRI/IRT), esta teoría modela la probabilidad de acierto en cada ítem como función, por una parte, de una habilidad latente del estudiante y, por otra, de parámetros del ítem (dificultad, discriminación y, en ocasiones, azar), lo que permite estimaciones comparables entre formas de examen y seleccionar el siguiente ítem donde la prueba aporta mayor información (Lord, 1980; Wainer et al., 2000).

Con esa base, la calidad de la retroalimentación, correctiva, explicativa o estratégica, y la atención a aspectos afectivos y motivacionales resultan determinantes para que la adaptación tenga efectos reales en el aprendizaje (Shute, 2008). En la práctica, las decisiones más frecuentes modulan secuencia, dificultad, andamiaje y momento del feedback; también puede flexibilizarse el ritmo o la carga cuando hay progreso genuino y se preserva la dinámica del grupo.

UNA ARQUITECTURA MÍNIMA, SUFICIENTE Y EXPLICABLE

Un sistema adaptativo mínimo viable reúne estas piezas coordinadas:

  • un modelo del contenido que mapea resultados de aprendizaje, prerrequisitos, dificultad, tipos de tarea y alternativas de accesibilidad;
  • un modelo del estudiante dinámico, no un perfil fijo, que registre dominios alcanzados, errores típicos y un puñado de indicadores de participación con significado pedagógico, aplicando minimización de datos;
  • un motor de decisión que puede ir desde reglas auditables hasta modelos de rastreo del conocimiento, con explicabilidad suficiente; y
  • paneles docentes que conviertan datos en señales accionables, permitan ajustar o anular recomendaciones y dejen trazabilidad.

El flujo de trabajo es sencillo: diagnóstico inicial -> decisión sobre ruta o andamiaje -> actividad -> recogida de evidencias -> nuevo ajuste (automático o docente) y -> evaluación confirmatoria. Mejor avanzar en pequeño, con claridad y de forma iterativa, que desplegar esquemas ambiciosos y opacos.

DISEÑAR LA ADAPTACIÓN

Un procedimiento razonable comienza por delimitar el dominio y explicitar qué aspectos del curso o asignatura son realmente “actuables”, es decir, objetivos observables con criterios de dominio y reparto claro entre lo que decide el sistema y lo que exige juicio docente. Conviene:

  • Granular y etiquetar el contenido con los metadatos justos.
  • Evaluar de forma ligera y frecuente para recoger evidencias que informen decisiones.
  • Prever rutas de refuerzo y de ampliación con límites y derivaciones a tutoría.
  • Cuidar el feedback (inmediato en procedimientos, más reposado cuando se busca transferencia).

Mantener al docente en el circuito exige umbrales de intervención y documentación de ajustes. Finalmente, se pilota en pequeño y se miden resultados por objetivos y por transferencia, incorporando percepción estudiantil sobre claridad, carga y utilidad. Esta aproximación, poco a poco y con explicabilidad, sintoniza con las recomendaciones internacionales para un uso responsable de la IAG en educación.

QUÉ NOS DICE LA EVIDENCIA RECIENTE

Los ensayos controlados aleatorizados (RCT) y revisiones de los últimos años permiten un balance prudente. Algunos trabajos:

  • En educación superior, un ensayo controlado aleatorizado (RCT -randomized controlled trial) comparó un tutor de IA, diseñado con buenas prácticas pedagógicas, con una clase de aprendizaje activo equivalente y halló mayor aprendizaje en menos tiempo, con incrementos en compromiso y motivación reportados por el estudiantado. (Kestin et al., 2025).
  • Otro RCT (900 tutores, 1.800 estudiantes) probó Tutor CoPilot (IA de apoyo al tutor humano) y halló más dominio del alumnado y mejor calidad de intervención, especialmente en tutores con menos experiencia (Loeb et al., 2024).
  • Otro RCT en aulas reales de inglés L2 mostró que sustituir los deberes por sesiones con GPT-4 mejoró el aprendizaje (gramática) y el compromiso estudiantil (Vanzo et al., 2025).
  • Finalmente, una revisión en Heliyon sintetiza efectos positivos en rendimiento y compromiso en educación superior, condicionados por la calidad de la implementación (du Plooy et al., 2024)

En suma, la adaptación ofrece ganancias cuando la evaluación mide lo que se enseña, cuando se trabaja con andamiaje fino y cuando el profesorado interpreta datos y sostiene el diálogo pedagógico.

CALIDAD, ÉTICA Y GOBERNANZA

Las condiciones no negociables son claras. La transparencia exige explicar en lenguaje accesible los criterios de dominio y las reglas, y asegurar un registro verificable de las recomendaciones y de las decisiones asociadas (trazabilidad). La equidad y la accesibilidad, inspiradas en el DUA, piden variadas y diferentes vías de acceso y demostración, así como vigilancia activa de posibles impactos diferenciales para evitar itinerarios de baja expectativa.

En privacidad, la minimización de datos y su uso estrictamente formativo son esenciales. Los equipos deben trabajar en codiseño y revisar periódicamente sesgos y reglas ineficaces, incorporando evidencias cualitativas (foros, portafolios, tutorías). Finalmente, conviene asegurar interoperabilidad con el ecosistema institucional para que la tecnología no termine dictando el diseño pedagógico. Las directrices UNESCO sobre IAG (2023, actualizadas 2025) ofrecen un marco público para articular estas garantías en universidad y sistemas educativos.

CONCLUSIONES

El aprendizaje adaptativo no es un atajo tecnológico, sino un modo de decidir mejor dónde colocar el esfuerzo didáctico. En EaD, donde la distancia obliga a ajustar estructura y diálogo, la adaptación funciona cuando respeta tres columnas del DDM: claridad de metas, retroalimentación con sentido y acompañamiento que protege la autonomía. La distinción entre personalizar, diferenciar, individualizar y adaptar no es un matiz menor: ordena responsabilidades, evita falsas expectativas y ayuda a comunicar reglas y límites de forma transparente. La adaptación se justifica cuando hay criterios de dominio explícitos, evidencias pertinentes y acciones explicables (ajuste de secuencia, dificultad, andamiaje o retroalimentación), siempre con opción de intervención humana.

La evidencia reciente ha elevado el listón: tutores de IA y enfoques Humano-IA muestran mejoras frente a alternativas exigentes como el aprendizaje activo o la tutoría sin asistencia de IA; los ensayos controlados y revisiones recientes sugieren que los efectos dependen de la alineación instrucción-evaluación, de la granularidad del andamiaje y de la calidad del despliegue.

Por ello, la estrategia prudente es empezar por un mínimo viable adaptativo, o sea, pocas decisiones, bien justificadas y auditables, probadas en pequeño y ajustadas de forma iterativa. La arquitectura necesaria es sobria: modelo del contenido (resultados, prerrequisitos, alternativas accesibles), modelo dinámico del estudiante, motor de decisión explicable y paneles docentes que conviertan datos en acciones pedagógicas.

La equidad exige ofrecer vías alternativas de acceso; el Diseño Universal de Aprendizaje (DUA) orienta a ofrecer opciones diferentes para alcanzar los mismos resultados. En gobernanza, la transparencia hacia estudiantes y docentes, la privacidad con minimización de datos y la interoperabilidad con el ecosistema institucional son condiciones básicas.

Las directrices UNESCO brindan un marco público para hacerlo de modo responsable y sostenible. En suma, una estrategia adaptativa sólida combina propósito pedagógico, datos con sentido formativo, explicabilidad, rol docente activo y compromiso con la equidad. Con estos mimbres, la adaptación deja de ser promesa tecnológica para convertirse, en la práctica cotidiana, en mejor aprendizaje y mejor docencia en la EaD.

CUESTIONES PARA LA REFLEXIÓN Y EL DEBATE

  • ¿Qué dos decisiones pedagógicas de tus asignaturas merecerían automatizarse el próximo curso, y con qué evidencias comprobarás su impacto real en el aprendizaje?
  • ¿Cómo explicarás a estudiantes y colegas los criterios de dominio, las rutas posibles y los límites de la adaptación para asegurar transparencia, opciones de salida y equidad?

FUENTES

  • Bloom, B. S. (1968). Learning for mastery. Evaluation Comment, 1(2), 1–12.
  • Brusilovsky, P. (2001). Adaptive hypermedia. User Modeling and User-Adapted Interaction, 11(1–2).
  • Corbett, A. T., y Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4).
  • du Plooy, E., Hattingh, M., y coaut. (2024). Personalized adaptive learning in higher education: A (scoping/systematic) review. Heliyon, 10,21, e39630.
  • García Aretio, L. (2001). Educación a distancia. De la teoría a la práctica. Ariel.
  • García Aretio, L. (2017). Educación a distancia y virtual: calidad, disrupción, aprendizajes adaptativo y móvil. RIED-Revista Iberoamericana de Educación a Distancia20(2).
  • García Aretio (2025). Diálogo Didáctico Mediado (DDM): Hacia una teoría superadora en educación a distancia (C.EaD-9). Contextos universitarios mediados.
  • Kestin, G., Miller, K., Klales, A., Milbourne, T., y Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458.
  • Loeb, S., Wang, R. E., Ribeiro, A. T., Robinson, C. D., y Demszky, D. (2024). Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise (edWorkingPaper No. ai24-1054). Annenberg Institute at Brown University.
  • Lord, F. M. (1980). Applications of Item Response Theory to Practical Testing Problems. Lawrence Erlbaum.
  • Rose, D. H., y Meyer, A. (2002). Teaching Every Student in the Digital Age: Universal Design for Learning. ASCD.
  • Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1).
  • UNESCO (2023, actualización 2025). Guidance for Generative AI in Education and Research. UNESCO.
  • VanLehn, K. (2006). The behavior of tutoring systems. International Journal of Artificial Intelligence in Education, 16(3).
  • VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4).
  • Vanzo, A., Pal Chowdhury, S., y Sachan, M. (2025). GPT-4 as a homework tutor can improve student engagement and learning outcomes. In Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025).
  • Wainer, H., Dorans, N. J., Eignor, D. R., Flaugher, R. L., Green, B. F., Mislevy, R. J., Steinberg, L., y Thissen, D. (2000). Computerized Adaptive Testing: A Primer (2nd ed.). Lawrence Erlbaum.
  • Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., y Demszky, D. (2024). Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise. arXiv:2410.03017.
García Aretio

García Aretio

Catedrático Emérito de la UNED. Director/Editor de la RIED. Revista Iberoamericana de Educación a Distancia. Presidente de Honor - Cátedra UNESCO de Educación a Distancia (CUED).

More Posts - Website

Follow Me:Add me on XAdd me on FacebookAdd me on LinkedInAdd me on YouTube


OpenEdition le sugiere que cite este post de la siguiente manera:
García Aretio (13 de octubre de 2025). Aprendizaje adaptativo y personalización: del dato a la decisión didáctica (C.EaD-78). Contextos universitarios mediados. Recuperado 16 de noviembre de 2025 de https://doi.org/10.58079/14wdj